摘要 | 第5-6页 |
Abstract | 第6-7页 |
第1章 绪论 | 第11-23页 |
1.1 课题研究背景及意义 | 第11页 |
1.2 滚动轴承故障机理分析 | 第11-15页 |
1.2.1 滚动轴承的机械结构 | 第12-13页 |
1.2.2 滚动轴承的失效模式 | 第13页 |
1.2.3 滚动轴承的振动机理分析 | 第13-15页 |
1.3 滚动轴承故障诊断技术 | 第15-20页 |
1.3.1 滚动轴承诊断流程 | 第15-16页 |
1.3.2 滚动轴承故障特征提取法 | 第16-18页 |
1.3.3 属性约简在故障诊断中的应用 | 第18-19页 |
1.3.4 滚动轴承故障识别技术 | 第19-20页 |
1.4 课题来源 | 第20页 |
1.5 研究思路及研究内容 | 第20-23页 |
1.5.1 研究思路 | 第20页 |
1.5.2 研究内容 | 第20-23页 |
第2章 基于LMD样本熵的特征提取方法 | 第23-45页 |
2.1 局部均值理论 | 第23-31页 |
2.1.1 LMD的基本算法 | 第23-26页 |
2.1.2 PF分量及其特点 | 第26页 |
2.1.3 LMD与EMD时频分析对比 | 第26-31页 |
2.2 熵的基本概念 | 第31页 |
2.3 样本熵理论 | 第31-35页 |
2.3.1 样本熵算法及参数选取 | 第32-33页 |
2.3.2 样本熵性能测试 | 第33-35页 |
2.4 基于LMD样本熵的特征提取方法 | 第35-40页 |
2.4.1 基于信息熵的特征筛选方法 | 第35-37页 |
2.4.2 LMD与样本熵的融合分析 | 第37-39页 |
2.4.3 基于LMD样本熵的算法流程 | 第39-40页 |
2.5 实测振动信号的LMD对比分析 | 第40-44页 |
2.6 本章小结 | 第44-45页 |
第3章 基于类差别矩阵改进属性重要度的约简算法 | 第45-61页 |
3.1 粗糙集基本理论 | 第45-47页 |
3.1.1 知识表达系统 | 第45-46页 |
3.1.2 近似空间与粗糙集 | 第46-47页 |
3.1.3 数据离散化 | 第47页 |
3.2 经典属性约简算法 | 第47-49页 |
3.3 基于差别矩阵的约简算法 | 第49-53页 |
3.3.1 传统差别矩阵法 | 第49-50页 |
3.3.2 启发式信息法 | 第50-53页 |
3.4 基于类差别矩阵改进属性重要度的约简算法 | 第53-57页 |
3.4.1 类差别矩阵的定义 | 第54页 |
3.4.2 改进属性重要度的提出 | 第54-55页 |
3.4.3 基于类差别矩阵改进属性重要度约简算法流程 | 第55-56页 |
3.4.4 算法对比分析 | 第56-57页 |
3.5 实验分析验证 | 第57-60页 |
3.6 本章小结 | 第60-61页 |
第4章 基于贝叶斯分类器的故障识别算法 | 第61-75页 |
4.1 贝叶斯理论概况 | 第61-62页 |
4.1.1 贝叶斯基本定理 | 第61-62页 |
4.1.2 贝叶斯决策准则 | 第62页 |
4.2 贝叶斯网络的表示及构建 | 第62-63页 |
4.3 贝叶斯分类器 | 第63-68页 |
4.3.1 朴素贝叶斯分类器 | 第63-64页 |
4.3.2 选择性贝叶斯分类器 | 第64-66页 |
4.3.3 局部加权贝叶斯分类器 | 第66页 |
4.3.4 属性加权贝叶斯分类器 | 第66-68页 |
4.4 属性加权贝叶斯分类器算法 | 第68页 |
4.5 实例分析验证 | 第68-73页 |
4.6 本章小结 | 第73-75页 |
第5章 滚动轴承故障诊断实验 | 第75-95页 |
5.1 滚动轴承故障诊断实验数据 | 第75-79页 |
5.1.1 滚动轴承系统和实验条件 | 第75-76页 |
5.1.2 故障数据文件的具体描述 | 第76-79页 |
5.2 形态学滤波去噪 | 第79-86页 |
5.3 基于LMD样本熵和贝叶斯网络的滚动轴承故障诊断方法 | 第86页 |
5.4 轴承故障诊断实验分析 | 第86-94页 |
5.4.1 LMD样本熵特征提取 | 第87-89页 |
5.4.2 粗糙集属性约简 | 第89-91页 |
5.4.3 分类器分类 | 第91-94页 |
5.5 本章小结 | 第94-95页 |
结论 | 第95-97页 |
参考文献 | 第97-103页 |
攻读硕士学位期间承担的科研任务与主要成果 | 第103-104页 |
致谢 | 第104-105页 |
作者简介 | 第105页 |